买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福建技术师范学院

摘要：本发明涉及一种基于深度卷积神经网络的生物活性肽预测方法，通过不同尺寸过滤器的一维卷积来处理原始的氨基酸残基序列，提取有用的特征，通过优化模型输出与标签的交叉熵损失优化模型，专门为AAP的挖掘和预测而设计，该模型即AAPred‑CNN基于嵌入技术而不基于特征工程和人工设计的特征，AAPred‑CNN的训练和测试所使用的数据集是公开的数据集main和NT15数据集，本发明通过将首次将经典的深度学习算法TextCNN结合嵌入技术、残基倾向性分析等应用到抗血管生成肽的预测问题上，为AAP的挖掘和预测设计出具备优秀性能分类器AAPred‑CNN，AAPred‑CNN基于嵌入技术，不依赖于特征工程，能够通过自适应地方式从纯粹的氨基酸残基序列中提取有用的信息并用于预测多肽是否具有抗血管生成的功能活性。

主权项：1.基于深度卷积神经网络的生物活性肽预测方法，其特征在于，通过不同尺寸过滤器的一维卷积来处理原始的氨基酸残基序列，提取有用的特征，通过模型输出与标签的交叉熵损失来优化模型，专门为AAP的挖掘和预测而设计，该模型即AAPred-CNN基于嵌入技术而不基于特征工程和人工设计的特征，AAPred-CNN的训练和测试所使用的数据集是公开的数据集main和NT15数据集；所述数据集main和NT15数据集均来自于Ramaprasad提出分类器AntiAngiopred和Laengsri提出分类器TargetAntiAngio时所使用的基准数据集；所述AAPred-CNN即基于深度卷积神经网络的AAP分类新预测器，由嵌入层，卷积层，池化层，特征融合，以及最后全连接的二元分类所组成；嵌入层：每种残基在初始时都被赋予一个随机的向量作为表征；卷积层：卷积层利用不同尺寸的过滤器获取不同局部区域的序列特征；池化层：由于每个过滤器都学习到相应的特征图，因此对每个特征图采用最大池操作以减少参数数量并进一步提取最突出的特征；特征融合与二元分类：上一步得到的不同特征图的最突出的特征通过级联进行融合，得到新的特征图；将这个特征图作为AAPred-CNN学习到的嵌入，并输入到全连接的神经网络进行二元分类，从而预测输入肽属于非AAP或AAP的概率。

全文数据：

权利要求：

百度查询： 福建技术师范学院 基于深度卷积神经网络的生物活性肽预测方法